Affective Computing

La computación afectiva es una rama de la inteligencia artificial que permite a los sistemas informáticos detectar, representar, responder o simular el afecto humano. El afecto es un término amplio que abarca las emociones, los estados de ánimo, el estrés, la activación y los estados relacionados. En lugar de dotar a una máquina de sentimientos genuinos, la computación afectiva le ayuda a reconocer las señales asociadas con la experiencia humana y a adaptar su comportamiento en consecuencia.

También llamada IA de emociones o IA afectiva, el campo combina el aprendizaje automático, la psicología, la detección y la interacción humano-computadora. El grupo de computación afectiva del MIT describe su propósito más amplio como el desarrollo de tecnologías que comprendan y respondan mejor a la emoción mientras apoyan el bienestar humano.

Cómo funciona la computación afectiva#

Un sistema afectivo sigue típicamente una tubería de percepción y respuesta:

1. Capturar señales: Las cámaras, los micrófonos, los sensores ponibles, los registros de interacción o las interfaces de texto recopilan datos observables. Los ejemplos incluyen el movimiento facial, la intensidad vocal, la postura, la frecuencia cardíaca y la elección de palabras.
2. Extraer características: Un modelo de visión por computadora puede localizar rostros o puntos clave corporales, mientras que los modelos de voz y procesamiento de lenguaje natural analizan la voz o el texto.
3. Estimar el afecto: Un clasificador o un modelo de regresión mapea las características extraídas a etiquetas como "frustrado" o "calmo", o a valores continuos como una activación de baja a alta.
4. Usar el contexto: El sistema combina las señales con información situacional. Un tono de voz elevado durante un evento deportivo puede significar emoción, mientras que la misma señal durante la atención al cliente puede indicar frustración.
5. Seleccionar una respuesta: La aplicación puede cambiar su redacción, proporcionar asistencia, reducir las interrupciones o solicitar una revisión humana.

Muchos sistemas usan IA multimodal porque ningún canal único comunica la emoción de forma fiable. Combinar video, voz, texto y señales fisiológicas puede proporcionar más contexto, pero también aumenta los requisitos de privacidad y gobernanza de datos.

Conceptos relacionados y diferencias clave#

La computación afectiva se solapa con varios campos de la inteligencia artificial pero tiene un objetivo distinto:

• Análisis de sentimientos: Por lo general, clasifica las opiniones expresadas en texto como positivas, negativas o neutras. La computación afectiva es más amplia y puede estimar el estado de ánimo, el estrés, el compromiso o la activación a partir de múltiples señales.
• Reconocimiento facial: Intenta establecer la identidad. El análisis del afecto facial, en cambio, examina las características visibles relacionadas con la expresión. Ninguna de las dos tareas demuestra lo que una persona siente internamente.
• Reconocimiento de acciones: Identifica actividades como caminar, saludar o caer. La computación afectiva puede utilizar esos comportamientos como evidencia contextual, pero intenta modelar un estado afectivo o elegir una respuesta consciente del afecto.
• Computación cognitiva: Abarca los sistemas diseñados para apoyar el razonamiento y la toma de decisiones de tipo humano. La computación afectiva se centra específicamente en la emoción y los estados humanos relacionados.

El "software afectivo" se refiere a las aplicaciones que contienen estas capacidades, mientras que la "tecnología de sentimientos" es una descripción informal y menos precisa. El sistema procesa señales medibles y patrones estadísticos; no observa directamente los pensamientos ni los sentimientos.

Aplicaciones en el mundo real#

Dos aplicaciones concretas ilustran cómo la computación afectiva puede influir en el comportamiento de la inteligencia artificial:

• Juegos adaptativos: Un juego puede combinar la postura del jugador, la actividad del controlador, los fallos repetidos y la velocidad de interacción para estimar la frustración o el compromiso. Puede ofrecer una pista, ajustar la dificultad o retrasar una interrupción. El resultado útil no es la afirmación de que el jugador tiene una emoción definitiva, sino una respuesta adaptativa basada en evidencia incierta.

• Asistencia dentro del vehículo: Un sistema de monitorización del conductor puede analizar la posición de la cabeza, la postura corporal, el cierre de los ojos y el comportamiento de conducción en busca de signos asociados con la fatiga o la atención reducida. A continuación, puede emitir una alerta o recomendar un descanso. Los indicadores de seguridad observables deben tener prioridad sobre las etiquetas especulativas como "conductor enojado".

Las aplicaciones relacionadas con la salud requieren un cuidado adicional. La orientación de la Organización Mundial de la Salud sobre inteligencia artificial ética para la salud enfatiza la autonomía, la seguridad, la transparencia, la rendición de cuentas y la equidad cuando la inteligencia artificial afecta la salud o el bienestar.

Contexto práctico de visión por computadora#

La estimación de pose puede proporcionar puntos clave corporales como una entrada para una tubería afectiva. Este ejemplo de Ultralytics YOLO26 identifica la postura humana:

from ultralytics import YOLO

# Load a pretrained pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Select and save the visualized result
result = results[0]
result.save(filename="pose_result.jpg")

El resultado muestra los puntos clave corporales detectados; no infiere la emoción. Una aplicación afectiva completa requeriría etiquetas específicas para el propósito, entradas contextuales, incertidumbre calibrada y una capa de decisión validada por separado. Los equipos pueden usar la Plataforma Ultralytics para la anotación de conjuntos de datos en la nube, el entrenamiento, el despliegue y la monitorización al desarrollar los componentes visuales de dicho sistema.

Riesgos y diseño responsable#

Las etiquetas relacionadas con las emociones son subjetivas y pueden variar entre individuos, culturas, entornos y anotadores. Los sistemas mal diseñados pueden confundir la discapacidad, la neurodivergencia, la iluminación, el acento o el comportamiento ordinario con un estado emocional. Los desarrolladores deben auditar el sesgo del conjunto de datos, evaluar el rendimiento en los grupos relevantes, admitir resultados incertos o "no se puede determinar", y evitar usar las predicciones como hechos indiscutibles.

Los datos afectivos también pueden incluir información sensible facial, vocal, conductual o fisiológica. El Marco de Gestión de Riesgos de IA del NIST y el Marco de Privacidad del NIST proporcionan bases prácticas para los controles de riesgo y privacidad, mientras que la política de información biométrica de la FTC destaca las preocupaciones que involucran afirmaciones de precisión sin fundamento, la recopilación encubierta, el sesgo y la monitorización inadecuada.

Los requisitos dependen de la jurisdicción y el contexto. Por ejemplo, las normas de la Ley de IA de la UE sobre reconocimiento de emociones restringen su uso en lugares de trabajo e instituciones educativas, con estrechas excepciones médicas y de seguridad. Los sistemas responsables deben obtener un consentimiento significativo, minimizar los datos retenidos, documentar las limitaciones, preservar la supervisión humana y utilizar la monitorización de modelos continua para identificar fallos después del despliegue.